CN105590010A - 基于Memetic算法的心电信号特征选择方法及系统 - Google Patents

Abstract

本发明公开基于Memetic算法的心电信号特征选择方法及系统，本发明使用基于封装的特征选择框架，并且引入了Memetic算法（Memetic？Algorithm，MA）对心电信号进行优化提取，本发明无需定位基本波形以提取特征：一方面，其避免了因波形检测失准，而造成后续机器学习算法性能下降，可更为有效地处理多变的实际心电信号；另一方面，可节省波形检测所需的计算量，计算复杂度更低。本发明不依赖于预设的特征指标，对先验知识要求较低，且可自动抽取输入原始心电信号中的特征信息。避免了人为设定提取指标导致的不合理性问题。Memetic算法可比现有方法更有效地解决复杂的大规模优化问题。通过将其用于选择矢量的优化，可获得更具代表性的特征子集，从而显著提升后续分类／回归算法的预测性能。此外，通过在适应值计算中加入稀疏代价函数，本方法可有效避免定域性问题，提升算法泛化能力。

Description

基于Memetic算法的心电信号特征选择方法及系统

技术领域

本发明涉及心电信号处理领域，尤其涉及基于Memetic算法的心电信号特征选择方法及系统。

背景技术

心电信号(Electrocardiography,ECG)是心脏活动所产生的时变电位信号，包含了丰富的生理状态信息，具有重要科研价值与实际意义。其被广泛应用于医学研究及临床诊断中，可有效检测与心脏相关的多种疾病，近年来获得了越来越多的重视。由于心电信号维度较高，在对其进行分析前，一般需使用特征提取算法予以降维，以提升后续机器学习过程的精度与泛化能力。现有技术中，主要使用两类特征提取算法：(1).定位并获取人为设定的基本波形特征；(2).使用特征选择(FeatureSelection)方法自动选取样本中的重要信号数据。

如图1所示，一个正常心动周期中的心电信号，可视作由P波、QRS波群、T波及U波4种基本波形组成。而第(1)类特征提取算法，便是通过测定输入信号的这4种基本波形，计算其所包含的人工预设特征信息。在现有算法中，基本波形的定位方法包括峰值检测、小波分析等；而所提取的特征则一般包括所有4种基本波形的时长与形态(如幅度、变化率)、ST段时长、PR间期时长、QT间期时长、以及RR间期时长等。

与第(1)类算法中，使用先验预设的特征指标不同。第(2)类算法以原始心电信号为输入，通过自动挑选其中的核心子集，获取更代表性的特征数据。此类方法避免了人工选取特征的不完整性与不合理性，并且因无需进行波形定位，其计算复杂度更低，稳定性更佳；但另一方面，心电信号样本维数较高，样本量相对较少，特征空间呈非线性关系。传统特征选择算法往往难以获得令人满意的结果。

所以，不论是基于基本波形检测与预设特征提取的方法还是基于特征选择的方法都存在缺陷和不足：

现有基于基本波形检测与预设特征提取的方法，其缺点在于：

第一，提取效果依赖于基本波形的检测定位。若波形定位不准，则所提取的特征信息也将有所偏差，导致后续机器学习算法性能显著下降；而心电信号由真实生理过程产生，其数据多变，极容易造成定位算法失效，进而影响学习效果。

第二，人工预设的心电信号特征指标，如基本波形时长、波形间期时长等，并不完全合理。一方面，U波等部分波形特征的形成机理尚不明确，难以认定其是否包含有效的生理信息。若其属于冗余噪声，则不应被包含在所提取的特征中；另一方面，某些重要特征可能因人为疏忽而未被涵盖，导致提取特征不完整，造成后续学习算法性能不佳。

现有基于特征选择的方法，其缺点在于：

第一，实际使用的心电信号采集频率较高，且需获取一段时间内的连续数据，所产生的数据样本维度庞大，往往导致现有算法难以处理。一方面，部分方法在高维数据上性能急剧下降，无法挑选具代表性的特征子集；另一方面，部分算法运算复杂度较高，难以在合理时间内有效分析高维数据，所以严重限制了现有方法的运用。

第二，现有特征选择方法为通用算法，而并未对心电信号数据进行针对性设计，这也在一定程度上降低了后续分析的准确率。

因此，现有技术还有待于改进和发展。

发明内容

鉴于上述现有技术的不足，本发明的目的在于提供基于Memetic算法的心电信号特征选择方法及系统，旨在解决现有的特征提取和选择方法存在学习效果差、特征提取不完整、效率和准确率低的问题。

本发明的技术方案如下：

一种基于Memetic算法的心电信号特征选择方法，其中，包括步骤：

A、设输入的心电信号数据集为F={( F ₁,t ₁),( F ₂,t ₂)…,( F _n ,t _n ),…( F _N ,t _N )}，其中 F _n 、t _n 分别为第n个信号矢量与样本标签，N为样本总数，信号维数为D，并设定优化总迭代次数为K次；

B、初始化迭代计数器k=0，构造用于Memetic算法的进化种群ps，其中每个寻优个体为D维矢量 X _i ，i=1,2,…,|ps|， X _i 的值取为[0,1]范围内的随机值：

；

C、计算ps中每个寻优个体 X _i 的适应度函数值f( X _i )；

D、根据各寻优个体 X _i 的适应度函数值f( X _i )，使用Memetic算法优化进化种群ps；

E、更新迭代计数器k=k+1，判断k是否小于K，当是时则返回步骤C，否则执行步骤F；

F、优化迭代完成后，选择进化种群ps中的最优个体 X _best 为：

；

G、将 X _best 映射为最佳选择矢量 W _best ，并对心电信号数据集F进行特征选择，形成最优降维数据集F _best ^*，同时将此最优降维数据集用于训练分类/回归算法获得最终的学习准确率；

H、将 W _best 、F _best ^*及最终的学习准确率作为输出。

所述的基于Memetic算法的心电信号特征选择方法，其中，所述步骤C具体包括：

C1、对于当前输入的寻优个体，将其映射为选择矢量 W _i ：

其中，step(·)为单位阶跃函数，δ为映射阈值；

C2、根据 W _i 对心电信号数据集F中的各信号矢量 F _n 进行特征选择从而形成降维后的信号矢量 F _n ^*；

C3、将降维后的信号矢量 F _n ^*及其对应样本标签t _n ，构成特征选择数据集F ^*={( F ₁ ^*,t ₁),( F ₂ ^*,t ₂),…,( F _N ^*,t _N )}；

C4、将所述特征选择数据集F ^*用于训练分类/回归算法，获得学习准确率，并作为当前寻优个体 X _i 的粗适应度函数值f _raw ( X _i )；

C5、设置稀疏代价函数为 X _i 的1范数：

；

C6、计算 X _i 最终的适应度函数值f( X _i )为：

其中β为拉格朗日乘数，用于控制特征选择的稀疏程度。

所述的基于Memetic算法的心电信号特征选择方法，其中，所述步骤C2中，特征选择具体包括：

若 W _i 中第d维数值w _d =0，则删除 F _n 在此维度上的对应信号值f _d ，若w _d =1则将其保留，从而形成降维后的信号矢量 F _n ^*：

。

所述的基于Memetic算法的心电信号特征选择方法，其中，所述δ设置为：δ=0.5。

所述的基于Memetic算法的心电信号特征选择方法，其中，所述Memetic算法为基于差分进化与DSCG搜索的Memetic算法。

一种基于Memetic算法的心电信号特征选择系统，其中，包括：

设置模块，用于设输入的心电信号数据集为F={( F ₁,t ₁),( F ₂,t ₂)…,( F _n ,t _n ),…( F _N ,t _N )}，其中 F _n 、t _n 分别为第n个信号矢量与样本标签，N为样本总数，信号维数为D，并设定优化总迭代次数为K次；

迭代计数器初始化模块，用于初始化迭代计数器k=0，构造用于Memetic算法的进化种群ps，其中每个寻优个体为D维矢量 X _i ，i=1,2,…,|ps|， X _i 的值取为[0,1]范围内的随机值：

；

适应度函数值计算模块，用于计算ps中每个寻优个体 X _i 的适应度函数值f( X _i )；

进化种群优化模块，用于根据各寻优个体 X _i 的适应度函数值f( X _i )，使用Memetic算法优化进化种群ps；

迭代计数器更新模块，用于更新迭代计数器k=k+1，判断k是否小于K，当是时则返回适应度函数值计算模块，否则执行最优个体选择模块；

最优个体选择模块，用于优化迭代完成后，选择进化种群ps中的最优个体 X _best 为：

；

特征选择模块，用于将 X _best 映射为最佳选择矢量 W _best ，并对心电信号数据集F进行特征选择，形成最优降维数据集F _best ^*，同时将此最优降维数据集用于训练分类/回归算法获得最终的学习准确率；

输出模块，用于将 W _best 、F _best ^*及最终的学习准确率作为输出。

所述的基于Memetic算法的心电信号特征选择系统，其中，所述适应度函数值计算模块具体包括：

映射单元，用于对于当前输入的寻优个体，将其映射为选择矢量 W _i ：

其中，step(·)为单位阶跃函数，δ为映射阈值；

特征选择单元，用于根据 W _i 对心电信号数据集F中的各信号矢量 F _n 进行特征选择从而形成降维后的信号矢量 F _n ^*；

特征选择数据集构建单元，用于将降维后的信号矢量 F _n ^*及其对应样本标签t _n ，构成特征选择数据集F ^*={( F ₁ ^*,t ₁),( F ₂ ^*,t ₂),…,( F _N ^*,t _N )}；

学习准确率计算单元，用于将所述特征选择数据集F ^*用于训练分类/回归算法，获得学习准确率，并作为当前寻优个体 X _i 的粗适应度函数值f _raw ( X _i )；

1范数设置单元，用于设置稀疏代价函数为 X _i 的1范数：

；

适应度函数值计算单元，用于计算 X _i 最终的适应度函数值f( X _i )为：

其中β为拉格朗日乘数，用于控制特征选择的稀疏程度。

所述的基于Memetic算法的心电信号特征选择系统，其中，所述特征选择单元具体用于：

若 W _i 中第d维数值w _d =0，则删除 F _n 在此维度上的对应信号值f _d ，若w _d =1则将其保留，从而形成降维后的信号矢量 F _n ^*：

。

所述的基于Memetic算法的心电信号特征选择系统，其中，所述δ设置为：δ=0.5。

所述的基于Memetic算法的心电信号特征选择系统，其中，所述Memetic算法为基于差分进化与DSCG搜索的Memetic算法。

有益效果：本发明无需定位基本波形以提取特征，所以一方面避免了因波形检测失准，而造成后续机器学习算法性能下降，可更为有效地处理多变的实际心电信号；另一方面，还可节省波形检测所需的计算量，计算复杂度更低。本发明也不依赖于预设的特征指标，对先验知识要求较低，且可自动抽取输入原始心电信号中的特征信息，避免了人为设定提取指标导致的不合理性问题。本发明所采用的Memetic算法可比现有方法更有效地解决复杂的大规模优化问题，通过将其用于选择矢量的优化，可获得更具代表性的特征子集，从而显著提升后续分类／回归算法的预测性能。

附图说明

图1为现有技术中正常心动周期的心电信号波形图。

图2为本发明的基于Memetic算法的心电信号特征选择方法较佳实施例的流程示意图。

图3为本发明的基于Memetic算法的心电信号特征选择方法另一实施例的流程示意图。

图4为图2所示方法中步骤S103的具体流程图。

图5为本发明的方法中根据选择矢量对信号样本进行降维的流程示意图。

具体实施方式

本发明提供基于Memetic算法的心电信号特征选择方法及系统，为使本发明的目的、技术方案及效果更加清楚、明确，以下对本发明进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

请参阅图2，图2为本发明一种基于Memetic算法（MemeticAlgorithm，MA）的心电信号特征选择方法较佳实施例的流程图，并结合图3所示的流程图，本发明的方法其包括步骤：

S101、设输入的心电信号数据集为F={( F ₁,t ₁),( F ₂,t ₂)…,( F _n ,t _n ),…( F _N ,t _N )}，其中 F _n 、t _n 分别为第n个信号矢量与样本标签，N为样本总数，信号维数为D，并设定优化总迭代次数为K次；

在数据处理开始前，设输入的心电信号数据集为F，以及设定优化总迭代次数为K次。

S102、初始化迭代计数器k=0，构造用于Memetic算法的进化种群ps，其中每个寻优个体为D维矢量 X _i ，i=1,2,…,|ps|， X _i 的值取为[0,1]范围内的随机值：

；

S103、计算ps中每个寻优个体 X _i 的适应度函数值f( X _i )；

其中的适应度函数值f( X _i )（FitnessValue），其是根据映射得到的选择矢量对各信号矢量进行特征选择，从而形成降维矢量，最后计算得到适应度函数值。

S104、根据各寻优个体 X _i 的适应度函数值f( X _i )，使用Memetic算法优化进化种群ps；

其中的Memetic算法优选为基于差分进化（DifferentialEvolution,DE）与DSCG搜索（Davies,Swann,andCampeywithGram-SchmidtOrthogonalizationSearch）的Memetic算法。

S105、更新迭代计数器k=k+1，判断k是否小于K，当是时则返回步骤S103，否则执行步骤S106；

S106、优化迭代完成后，选择进化种群ps中的最优个体 X _best 为：

；

S107、将 X _best 映射为最佳选择矢量 W _best ，并对心电信号数据集F进行特征选择，形成最优降维数据集F _best ^*，同时将此最优降维数据集用于训练分类/回归算法获得最终的学习准确率；

S108、将 W _best 、F _best ^*及最终的学习准确率作为输出。

作为本发明更优选的实施例，如图4所示，所述的步骤S103具体包括：

S201、对于当前输入的寻优个体，将其映射为选择矢量 W _i ：

其中，step(·)为单位阶跃函数，δ为映射阈值，所述δ一般设置为δ=0.5，那么任意w _d ∈ W _i 仅能取得{0,1}两种数值；

S202、根据 W _i 对心电信号数据集F中的各信号矢量 F _n 进行特征选择从而形成降维后的信号矢量 F _n ^*；

如图5所示，在进行特征选择时，若 W _i 中第d维数值w _d =0，则删除 F _n 在此维度上的对应信号值f _d ，否则(即w _d =1)将 F _n 在此维度上的对应信号值f _d 保留，从而形成降维矢量 F _n ^*：

。

S203、将降维后的信号矢量 F _n ^*及其对应样本标签t _n ，构成特征选择数据集F ^*={( F ₁ ^*,t ₁),( F ₂ ^*,t ₂),…,( F _N ^*,t _N )}；

此特征选择数据集将用于训练分类/回归算法，常用的机器学习方法包括SVM（支持向量机）以及ELM（极限学习机器）等。

S204、将所述特征选择数据集F ^*用于训练分类/回归算法，获得学习准确率，并作为当前寻优个体 X _i 的粗适应度函数值f _raw ( X _i )；

对于分类算法，f _raw ( X _i )表示分类错误率（ClassificationErrorRate）；对于回归算法，则表示均方跟误差（RootMeanSquareError,RMSE）。

S205、设置稀疏代价函数为 X _i 的1范数：

；

设置这样的1范数是为了使特征选择尽可能稀疏化。

S206、计算 X _i 最终的适应度函数值f( X _i )为：

；

其中β为拉格朗日乘数，用于控制特征选择的稀疏程度。

基于上述方法，本发明还提供一种基于Memetic算法的心电信号特征选择系统，其包括：

设置模块，用于设输入的心电信号数据集为F={( F ₁,t ₁),( F ₂,t ₂)…,( F _n ,t _n ),…( F _N ,t _N )}，其中 F _n 、t _n 分别为第n个信号矢量与样本标签，N为样本总数，信号维数为D，并设定优化总迭代次数为K次；

迭代计数器初始化模块，用于初始化迭代计数器k=0，构造用于Memetic算法的进化种群ps，其中每个寻优个体为D维矢量 X _i ，i=1,2,…,|ps|， X _i 的值取为[0,1]范围内的随机值：

；

适应度函数值计算模块，用于计算ps中每个寻优个体 X _i 的适应度函数值f( X _i )；

进化种群优化模块，用于根据各寻优个体 X _i 的适应度函数值f( X _i )，使用Memetic算法优化进化种群ps；

迭代计数器更新模块，用于更新迭代计数器k=k+1，判断k是否小于K，当是时则返回适应度函数值计算模块，否则执行最优个体选择模块；

最优个体选择模块，用于优化迭代完成后，选择进化种群ps中的最优个体 X _best 为：

；

特征选择模块，用于将 X _best 映射为最佳选择矢量 W _best ，并对心电信号数据集F进行特征选择，形成最优降维数据集F _best ^*，同时将此最优降维数据集用于训练分类/回归算法获得最终的学习准确率；

输出模块，用于将 W _best 、F _best ^*及最终的学习准确率作为输出。

进一步，所述适应度函数值计算模块具体包括：

映射单元，用于对于当前输入的寻优个体，将其映射为选择矢量 W _i ：

其中，step(·)为单位阶跃函数，δ为映射阈值；

特征选择单元，用于根据 W _i 对心电信号数据集F中的各信号矢量 F _n 进行特征选择从而形成降维后的信号矢量 F _n ^*；

特征选择数据集构建单元，用于将降维后的信号矢量 F _n ^*及其对应样本标签t _n ，构成特征选择数据集F ^*={( F ₁ ^*,t ₁),( F ₂ ^*,t ₂),…,( F _N ^*,t _N )}；

学习准确率计算单元，用于将所述特征选择数据集F ^*用于训练分类/回归算法，获得学习准确率，并作为当前寻优个体 X _i 的粗适应度函数值f _raw ( X _i )；

1范数设置单元，用于设置稀疏代价函数为 X _i 的1范数：

；

适应度函数值计算单元，用于计算 X _i 最终的适应度函数值f( X _i )为：

其中β为拉格朗日乘数，用于控制特征选择的稀疏程度。

进一步，所述特征选择单元具体用于：

若 W _i 中第d维数值w _d =0，则删除 F _n 在此维度上的对应信号值f _d ，若w _d =1则将其保留，从而形成降维后的信号矢量 F _n ^*：

。

进一步，所述δ设置为：δ=0.5。

进一步，所述Memetic算法为基于差分进化与DSCG搜索的Memetic算法。

关于上述模块单元的技术细节在前面的方法中已有详述，故不再赘述。

本发明的方法，使用基于封装的特征选择框架，并且引入了Memetic算法对心电信号进行优化提取，其具有如下有益效果：

1、本发明无需定位基本波形以提取特征：一方面，其避免了因波形检测失准，而造成后续机器学习算法性能下降，可更为有效地处理多变的实际心电信号；另一方面，可节省波形检测所需的计算量，计算复杂度更低。

2、本发明不依赖于预设的特征指标，对先验知识要求较低，且可自动抽取输入原始心电信号中的特征信息。避免了人为设定提取指标导致的不合理性问题。

3、Memetic算法可比现有方法更有效地解决复杂的大规模优化问题。通过将其用于选择矢量的优化，可获得更具代表性的特征子集，从而显著提升后续分类／回归算法的预测性能。此外，通过在适应值计算中加入稀疏代价函数，本方法可有效避免定域性问题，提升算法泛化能力。

应当理解的是，本发明的应用不限于上述的举例，对本领域普通技术人员来说，可以根据上述说明加以改进或变换，所有这些改进和变换都应属于本发明所附权利要求的保护范围。

Claims (10)

1.一种基于Memetic算法的心电信号特征选择方法，其特征在于，包括步骤：

A、设输入的心电信号数据集为F={( F ₁,t ₁),( F ₂,t ₂)…,( F _n ,t _n ),…( F _N ,t _N )}，其中 F _n 、t _n 分别为第n个信号矢量与样本标签，N为样本总数，信号维数为D，并设定优化总迭代次数为K次；

B、初始化迭代计数器k=0，构造用于Memetic算法的进化种群ps，其中每个寻优个体为D维矢量 X _i ，i=1,2,…,|ps|， X _i 的值取为[0,1]范围内的随机值：

；

C、计算ps中每个寻优个体 X _i 的适应度函数值f( X _i )；

D、根据各寻优个体 X _i 的适应度函数值f( X _i )，使用Memetic算法优化进化种群ps；

E、更新迭代计数器k=k+1，判断k是否小于K，当是时则返回步骤C，否则执行步骤F；

F、优化迭代完成后，选择进化种群ps中的最优个体 X _best 为：

；

G、将 X _best 映射为最佳选择矢量 W _best ，并对心电信号数据集F进行特征选择，形成最优降维数据集F _best ^*，同时将此最优降维数据集用于训练分类/回归算法获得最终的学习准确率；

H、将 W _best 、F _best ^*及最终的学习准确率作为输出。

2.根据权利要求1所述的基于Memetic算法的心电信号特征选择方法，其特征在于，所述步骤C具体包括：

C1、对于当前输入的寻优个体，将其映射为选择矢量 W _i ：

其中，step(·)为单位阶跃函数，δ为映射阈值；

C2、根据 W _i 对心电信号数据集F中的各信号矢量 F _n 进行特征选择从而形成降维后的信号矢量 F _n ^*；

C3、将降维后的信号矢量 F _n ^*及其对应样本标签t _n ，构成特征选择数据集F ^*={( F ₁ ^*,t ₁),( F ₂ ^*,t ₂),…,( F _N ^*,t _N )}；

C4、将所述特征选择数据集F ^*用于训练分类/回归算法，获得学习准确率，并作为当前寻优个体 X _i 的粗适应度函数值f _raw ( X _i )；

C5、设置稀疏代价函数为 X _i 的1范数：

；

C6、计算 X _i 最终的适应度函数值f( X _i )为：

其中β为拉格朗日乘数，用于控制特征选择的稀疏程度。

3.根据权利要求2所述的基于Memetic算法的心电信号特征选择方法，其特征在于，所述步骤C2中，特征选择具体包括：

若 W _i 中第d维数值w _d =0，则删除 F _n 在此维度上的对应信号值f _d ，若w _d =1则将其保留，从而形成降维后的信号矢量 F _n ^*：

。

4.根据权利要求2所述的基于Memetic算法的心电信号特征选择方法，其特征在于，所述δ设置为：δ=0.5。

5.根据权利要求2所述的基于Memetic算法的心电信号特征选择方法，其特征在于，所述Memetic算法为基于差分进化与DSCG搜索的Memetic算法。

6.一种基于Memetic算法的心电信号特征选择系统，其特征在于，包括：

设置模块，用于设输入的心电信号数据集为F={( F ₁,t ₁),( F ₂,t ₂)…,( F _n ,t _n ),…( F _N ,t _N )}，其中 F _n 、t _n 分别为第n个信号矢量与样本标签，N为样本总数，信号维数为D，并设定优化总迭代次数为K次；

迭代计数器初始化模块，用于初始化迭代计数器k=0，构造用于Memetic算法的进化种群ps，其中每个寻优个体为D维矢量 X _i ，i=1,2,…,|ps|， X _i 的值取为[0,1]范围内的随机值：

；

适应度函数值计算模块，用于计算ps中每个寻优个体 X _i 的适应度函数值f( X _i )；

进化种群优化模块，用于根据各寻优个体 X _i 的适应度函数值f( X _i )，使用Memetic算法优化进化种群ps；

迭代计数器更新模块，用于更新迭代计数器k=k+1，判断k是否小于K，当是时则返回适应度函数值计算模块，否则执行最优个体选择模块；

最优个体选择模块，用于优化迭代完成后，选择进化种群ps中的最优个体 X _best 为：

；

特征选择模块，用于将 X _best 映射为最佳选择矢量 W _best ，并对心电信号数据集F进行特征选择，形成最优降维数据集F _best ^*，同时将此最优降维数据集用于训练分类/回归算法获得最终的学习准确率；

输出模块，用于将 W _best 、F _best ^*及最终的学习准确率作为输出。

7.根据权利要求6所述的基于Memetic算法的心电信号特征选择系统，其特征在于，所述适应度函数值计算模块具体包括：

映射单元，用于对于当前输入的寻优个体，将其映射为选择矢量 W _i ：

其中，step(·)为单位阶跃函数，δ为映射阈值；

特征选择单元，用于根据 W _i 对心电信号数据集F中的各信号矢量 F _n 进行特征选择从而形成降维后的信号矢量 F _n ^*；

特征选择数据集构建单元，用于将降维后的信号矢量 F _n ^*及其对应样本标签t _n ，构成特征选择数据集F ^*={( F ₁ ^*,t ₁),( F ₂ ^*,t ₂),…,( F _N ^*,t _N )}；

学习准确率计算单元，用于将所述特征选择数据集F ^*用于训练分类/回归算法，获得学习准确率，并作为当前寻优个体 X _i 的粗适应度函数值f _raw ( X _i )；

1范数设置单元，用于设置稀疏代价函数为 X _i 的1范数：

；

适应度函数值计算单元，用于计算 X _i 最终的适应度函数值f( X _i )为：

其中β为拉格朗日乘数，用于控制特征选择的稀疏程度。

8.根据权利要求7所述的基于Memetic算法的心电信号特征选择系统，其特征在于，所述特征选择单元具体用于：

若 W _i 中第d维数值w _d =0，则删除 F _n 在此维度上的对应信号值f _d ，若w _d =1则将其保留，从而形成降维后的信号矢量 F _n ^*：

。

9.根据权利要求7所述的基于Memetic算法的心电信号特征选择系统，其特征在于，所述δ设置为：δ=0.5。

10.根据权利要求7所述的基于Memetic算法的心电信号特征选择系统，其特征在于，所述Memetic算法为基于差分进化与DSCG搜索的Memetic算法。